REASON：用于学习的结构化优化网络稳健解释性分析
REASON提出一种双循环学习方法，利用残差判断何时需要更多信息。类似系统1的快速循环先处理现有证据；若仍存在不确定性，较慢的系统2式循环便主动收集额外证据。作者证明，较慢循环的最优结果不会差于快速循环。实验显示，即使面对未见过的扰动，该方法也能以约一半的较慢循环计算量取得优于快速循环的结果。在观测更清晰时，它还以相同计算成本胜过分阶段分类器和延迟决策学习方法。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。